混合智能故障診斷與預示技術的應用進展

雷亞國，何正嘉

(西安交通大學 機械制造系統工程國家重點實驗室，西安 710049)

航空發動機、大型風電裝備、汽輪發電機組等大型復雜關鍵設備的狀態監測和故障診斷關系到生產系統的正常運行、生產效率的提高、產品質量的保證、環境保護以及維修管理的科學化與現代化等一系列重要問題，受到世界各國的廣泛關注。由于設備本身結構和機理的復雜性、參數和結構的不確定性、動態時變特性以及嚴重的強耦合性，使得這些設備的故障通常表現為復雜性、不確定性、相關性、層次性等特點［1］，因此，大型復雜關鍵設備早期、微弱以及復合故障的診斷要比常規設備的診斷要求高、難度大。傳統的故障診斷工作大多由專業技術人員和診斷專家完成，因此使用者的經驗和專業知識就顯得異常重要;同時由于設備復雜、自動化程度高，需要分析的數據量也十分巨大，這些大量的數據全部依靠專業技術人員和診斷專家來分析顯然是不現實的，因此必須提高設備故障診斷的自動化和智能化程度［2-7］。

為了擺脫故障診斷過分依賴于專業技術人員和診斷專家，打破機械故障診斷量大面廣與診斷專家相對稀少之間的尷尬局面，需要對設備實現高效、可靠的智能診斷［8-11］。研究者將專家系統、模糊邏輯、神經網絡、遺傳算法等人工智能技術應用于設備的故障診斷中，從而進行設備的智能故障診斷，在實踐中取得了顯著的成效，表現出相對出色的性能［12-15］。隨著研究和應用的深入，研究者發現，這些方法各具優點和不足，只在一定的條件和場合下有效。面臨的諸如診斷信息不完整、模糊隸屬度函數的人為確定、專家系統的知識獲取困難、神經網絡缺乏故障樣本訓練等問題，限制了這些單一智能技術的應用，領域專家感到十分棘手，急需一種新思路和新途徑來解決這些問題。

因此，綜合運用多種人工智能技術各自的優點，揚長避短、博采眾長，并結合現代信號處理技術與特征提取方法的混合智能故障診斷與預示技術便應運而生［16］。用混合智能故障診斷與預示技術對大型復雜關鍵設備進行狀態監測、故障診斷與智能預示，能夠有效地提高監測診斷系統的敏感性、魯棒性、精確性，降低誤診率和漏診率，在不用理解系統機理和分析數據的情況下，為一般的操作人員提供準確的診斷決策。

1 混合智能診斷與預示技術

1.1 廣義內涵

表1比較了專家系統、模糊邏輯、神經網絡等幾種典型的人工智能技術。由表可見，幾種智能技術各具特色，優勢互補，這為多種智能技術的混合提供了必要條件。除此之外，近年來興起的計算智能算法，例如遺傳算法、粒子群算法、混沌遺傳算法、免疫算法等也取得了一定的理論研究和應用進展，它們各自具有一定的優勢和不足，為實現和改進混合智能故障診斷與預計技術提供了更多的靈活性。

表1 幾種典型智能技術的性能比較Tab.1 Characteristic comparison of typical intelligent techniques

混合智能技術博采眾家之長，充分利用不同智能技術的優勢，能夠取得比單一智能技術更佳的效果。將人工智能領域最先進的研究成果應用于機械設備的狀態監測、故障診斷和智能預示，在一定程度上能解決單一的傳統智能故障診斷方法在診斷大型復雜關鍵設備早期、微弱和復合故障時，精度不高、泛化能力弱和通用性不強等難題。

“什么是混合智能故障診斷與預示技術?”國內外還沒有一個明確的定義。我們在機械設備狀態監測和故障診斷領域這樣定義混合智能故障診斷與預示技術:根據不同人工智能技術之間的差異性和互補性，揚長避短、優勢互補，并結合不同的機械信號處理和特征提取方法，將它們以某種方式結合、集成或融合，應用于機械故障診斷，以提高診斷與預示系統的敏感性、魯棒性和精確性。

1.2 技術實現

混合智能故障診斷與預示技術的實現過程示于圖1。

根據以上流程圖可見，機械設備混合智能故障診斷與預示技術是通過以下兩個步驟來進行的。

圖1 混合智能故障診斷與預示技術流程圖Fig.1 The flow chart of hybrid intelligent fault diagnosis and prognosis technique

(1)采用不同信號處理技術和特征提取方法獲得故障特征。特征提取直接關系到混合智能故障診斷的準確性和早期預示的可靠性。由于不同信號處理方法能夠從不同的角度提取故障特征信息，而且對于大型復雜關鍵設備的早期、微弱和復合故障，其故障特征往往不明顯。因此，多種不同的信號處理方法聯合使用更可能獲得故障的有效特征。

(2)借鑒“分而治之”和“優勢互補”［17-18］的思想，在復雜設備的診斷中綜合運用了多種人工智能技術的優勢。將復雜的診斷問題分解，針對每一子問題，協同使用不同的人工智能技術進行故障診斷，然后對各子問題的診斷結果進行融合，有效地提高診斷技術的準確性，降低誤診率和漏診率，確定故障發生的位置，估計其嚴重程度，預測其發展趨勢。

基于以上混合智能故障診斷與預示技術的內涵和實現過程可以看出，故障特征信息的獲取和智能診斷是混合智能故障診斷與預示技術中兩個關聯的環節，彼此之間相互聯系、相互融合。因此，混合智能故障診斷與預示技術不僅是多種智能技術的混合，也是不同的信號處理和特征提取方法與不同智能技術之間的混合。

2 國內外研究現狀

近年來，混合智能故障診斷與預示技術的研究倍受國內外廣大研究者的青睞，研究成果屢見迭出，應用潛力初露端倪，已成為一類頗具生命力的故障診斷方法。以下將依據不同技術的混合模式對近年來混合智能故障診斷與預示技術的研究進展給予以歸納。

2.1 神經網絡與模糊邏輯、遺傳算法等的混合

2005年，Evsukoff等人［19］將模糊模塊和神經網絡模塊相結合，故障檢測和分離結果表明模糊和神經網絡混合模塊取得了滿意的結果;Nandi等人［20］利用遺傳編程技術生成診斷特征，采用神經網絡進行狀態分類，對實驗臺滾動軸承的6種狀態進行分析，驗證了基于遺傳編程的神經網絡和支持矢量機混合智能診斷的有效性;清華大學姜愛國等人［21］在分析粗糙集和神經網絡特點的基礎上，提出了一種粗糙集與多神經網絡相結合的車輪踏面擦傷混合智能預示方法;曹龍漢［22］給出了基于神經網絡和粗糙集理論的柴油機故障診斷混合智能系統。2006年，Uppal等人［23］提出了基于模糊神經多模型的故障檢測和分離框架，此框架融合了神經網絡的非線性、動態性和模糊邏輯的推理能力，并驗證了該框架的有效性;Sampath等人［24］結合神經網絡和遺傳算法，提出了一種循環冷卻發動機零部件和傳感器故障診斷混合智能模型;Sadeghian等人［25］采用小波包分解和多個自適應神經模糊推理系統，提出了一種在線的機械設備故障集成診斷系統，應用在三相電動機故障診斷中;Yang等人［26］利用Dempster–Shafer證據理論，融合基于電流信號和基于振動信號的神經網絡分類結果，提高了電動機故障診斷的準確率;中國科學研究院Guo等人［27］聯合小波神經網絡和粒子群優化算法，提出了旋轉機械混合智能故障診斷新方法;浙江大學李增芳等人［28］針對發動機廢氣排放參數和故障之間復雜的非線性關系，提出了一種主成分和集成神經網絡技術的發動機混合智能診斷模型;中國石油大學段禮祥等人［29］提出了一種將小波包分解、神經網絡和模糊邏輯結合起來的診斷方法，對柴油機故障進行診斷，取得了滿意的效果。2007年，Lim等人［30］基于模糊ARTMAP和矩形函數網絡提出故障診斷混合神經網絡模型，并將其應用于電站設備故障診斷，取得了良好的診斷效果;西安交通大學雷亞國等人［31］提出了一種基于自適應神經模糊推理系統和遺傳算法的混合智能診斷新方法，通過對不同損傷程度的軸承故障進行診斷，驗證了該方法的有效性。2008年，Roberts等人［32］綜合模糊邏輯和神經網絡的優勢，建立了鐵路系統故障混合智能診斷系統;Dong等人［33］提出了利用最小二乘加權融合算法集成粗糙集和模糊小波神經網絡的混合智能故障診斷方法;Rajakarunakaran等人［34］提出了基于前向神經網絡和自適應諧振理論神經網絡的混合智能診斷模型，利用電壓、電流和轉速等工藝量作為特征對離心泵轉子系統7種故障模式進行了有效分類;Wu等人［35］提出了神經網絡專家系統混合智能診斷方法，對內燃機進氣管泄露和無法發動等故障進行了有效診斷;上海交通大學Yu等人［36］提出了一種將人工神經網絡和基因算法相結合的混合智能方法，并應用于機械制造過程的智能監測與故障診斷;西安交通大學雷亞國等人［37］將神經網絡技術和模糊聚類有效性指標相結合，提出了一種新的混合智能聚類算法并應用于高速電力機車輪對軸承的早期故障診斷中。2009年，Hsu等人［38］利用小波變換提取特征，采用集成了模糊系統定性逼近和神經網絡自適應性的模糊神經網絡進行齒輪箱故障的有效識別與分類;Rafiee等人［39］結合神經網絡和遺傳算法各自優勢，利用小波包分解系數的標準差作為診斷特征，提出了復雜齒輪箱不同故障模式和不同故障程度的混合智能診斷系統;Samanta等人［40］提取時域統計特征，利用粒子群優化算法選擇診斷特征、優化人工神經網絡和支持矢量機參數，從而對軸承故障進行了準確地診斷;北京化工大學Zhu等人［41］針對單一智能方法難以處理復雜系統故障診斷的問題，提出了基于粗糙集和人工神經網絡的特征約簡混合智能方法。2010年，Yüksel等人［42］提出了基于集成自適應神經模糊推理系統的故障分類混合智能模型對機械手故障進行診斷;浙江大學王曉曉等人［43］采用粒子群算法優化BP神經網絡權值和門限，提出了基于粒子群算法和神經網絡的混合智能方法用于診斷蒸汽輪機故障;西安交通大學雷亞國等人［44］結合神經網絡、K近鄰算法和遺傳算法各自的優勢，提出了一種多元混合智能診斷方法并用于齒輪不同故障模式和不同故障程度的識別。

2.2 模糊邏輯與粗糙集、支持矢量機等的混合

2004年，楊軍［45］結合模糊邏輯和遺傳算法，提出了導彈混合智能故障診斷專家系統。2005年，上海交通大學李如強等［46］集成粗糙集理論、奇異值分解和模糊C均值聚類，提出了一種旋轉機械混合智能故障診斷新方法，利用Bently轉子實驗臺模擬不平衡、碰摩等常見故障，對提出的方法進行了驗證;西安交通大學胡橋等人［47］結合經驗模式分解解決隨機不確定性問題、模糊分析解決模糊不確定性問題和支持矢量機解決小樣本分類問題的優勢，提出了一種混合智能診斷模型。2006年，鄂加強［48］給出了基于模糊邏輯、專家系統等多個柴油機和鍋爐故障混合智能診斷系統。2007年，Pawar等人［49］結合模糊系統的推理能力和遺傳算法的學習性能，建立了遺傳模糊混合智能系統，用于直升機轉子葉片的損傷檢測;浙江大學毛勇等人［50］綜合模糊決策與支持矢量機算法，提出模糊支持矢量機分類方法，對化學工藝工程故障進行診斷。2009年，Xia等人［51］融合模糊邏輯和支持矢量機各自優勢，提出了汽輪機組故障診斷的混合智能方法;Mohammad等人［52］提出了將模糊聚類與人工免疫系統相結合實現多傳感器信息融合與故障診斷的混合智能方法;Han等人［53］提出了模糊支持矢量機新方法，有效地檢測了曲柄軸承早期磨損故障;上海交通大學Pan等人［54］構造了基于模糊C均值聚類和支持矢量機的混合智能模型，用于預示軸承的服役性能。

2.3 支持矢量機與神經網絡、免疫算法等的混合

2005年，Thukaram等人［55］采用主分量分析方法提取特征，聯合支持矢量機和前向神經網絡對裝載汽車故障進行混合智能分類。2006年，西安交通大學胡橋等人［56］提出了基于提升小波包變換和集成支持矢量機的故障混合智能診斷新方法，并將其應用于滾動軸承的故障特征提取和智能分類中。2009年，Aydin等人［57］提出了基于人工免疫算法和支持矢量機的多目標混合智能方法，成功地檢測了電動機轉子斷條故障;上海交通大學Fei等人［58］提出支持矢量機-遺傳算法混合智能方法，該方法采用遺傳算法優化支持矢量自由參數，變壓器故障診斷案例驗證了提出方法的有效性;武漢科技大學Hou等人［59］采用演化計算優化支持矢量機參數，提出了一種故障短期預示的混合智能模型;西安交通大學張曉麗等人［60］利用蟻群算法優化支持矢量機參數，提出了蟻群優化-支持矢量機混合智能診斷模型。2010年，Saravanan等人［61］結合 Morlet小波、神經網絡和近似支持向量機提出了齒輪箱故障混合智能分類方法;東南大學吳奇［62］提出了基于小波支持矢量機與粒子群算法的混合智能模型，用于車輛生產線故障診斷，取得了改進的效果。

2.4 其他混合智能故障診斷與預示方法

2005年，Zanardelli等人［63］使用多種小波進行信號分析，提取模極大值作為決策樹、最近鄰規則、線性分類函數混合分類器的輸入，對發動機的多種故障實現了有效地診斷;西北工業大學王仲生［64］針對空間飛行器結構復雜的問題，提出了基于多Agent的混合智能診斷系統。2009年，Marinakis等人［65］提出了基于基因算法和最近鄰分類方法相結合的混合智能診斷方法，顯著提高了故障分類精度;Polat等人［66］提出一種基于決策樹的混合智能技術并應用于解決多分類問題;西安交通大學雷亞國等人［67］集成加權K近鄰算法以提高滾動軸承的故障診斷和預示精度;張周鎖等人［68］提出了基于粒計算的混合智能模型對軸承故障進行診斷，故障識別率明顯高于單一智能方法。

3 存在問題

國內外在混合智能故障診斷與預示技術的研究中取得了可喜的進展，為大型關鍵設備故障診斷與預示開辟了廣闊的空間。然而，目前混合智能故障診斷與預示技術的研究存在以下問題:

(1)現有混合智能診斷研究大多仍使用單一物理場信息，例如振動信息或者聲音信息，造成診斷信息的不完備。機械系統故障常常表現在動力學、聲學、摩擦學、熱力學等多物理場，因此僅僅利用某一物理場造成診斷信息的不完備，難免引起故障的漏檢和誤判，尤其對于早期、微弱和復合故障，其故障特征往往在任何一個物理場都不明顯，只有綜合利用多物理場信息才有望提高故障診斷和預示的精度。

(2)大多文獻僅僅使用某一域的特征來進行故障的混合智能診斷與預示，沒有充分利用多域特征的故障互補信息;同時沒有考慮不同診斷特征對故障的敏感程度，所以抑制了診斷準確性的提高，減弱了混合智能診斷與預示技術的可靠性。當機械系統出現故障時，其故障特征不僅僅體現在某一域，通常在時域、頻域和時頻域都有不同程度的體現。在無先驗知識的情況下，只有基于現代信號處理技術，從時域、頻率和時頻域同時提取不同的特征，并選擇故障敏感特征，才能更為有效地檢測、診斷和預示早期、微弱和復合故障。

(3)現有文獻中的混合智能診斷方法，大多都是基于幾種智能技術的簡單組合，對各種智能技術之間的內在聯系研究較少，未能形成有機融合的混合智能框架，導致混合智能的優勢未能充分發揮。因此，構造完備的混合智能框架，有機融合各類智能技術的優勢，是混合智能診斷與預示技術要解決的主要問題。

(4)目前混合智能故障診斷與預示技術的研究大多仍停留在實驗驗證階段;并且對于早期、微弱和復合故障進行診斷的案例為數不多;實用化的混合智能故障診斷與預示系統屈指可數。根據工程實際的需要，研究早期、微弱和復合故障的混合智能診斷與預示技術，并開發工程實用化故障診斷系統是混合智能診斷與預示急需解決的問題。

4 發展趨勢

混合智能故障診斷與預示技術作為一種誘人的研究領域，吸引了國內外學者的高度重視，近年來取得了一定的研究成果，也存在著諸多問題。依作者的體會和淺見，未來混合智能診斷與預示技術在大型復雜關鍵設備故障診斷領域的應用研究還需從以下幾個方面深入開展:

(1)在充分挖掘振動信號中蘊涵的故障信息的同時，重視聲學、摩擦學、熱力學等多物理場信息的應用與融合，為混合智能診斷與預示提供更加豐富的故障信息量。

(2)多域敏感特征的提取和選擇是混合智能故障診斷與預示的關鍵環節。深入研究基于盲分離、多小波、總體平均經驗模式分解、隨機共振、譜峭度等現代信號處理技術的特征提取方法，從時域、頻域和時頻域提取多域特征;研究不同特征對故障的敏感性評估技術，建立基于多域特征提取和敏感性評估的完備、敏感診斷特征集，為混合智能故障診斷與預示提供有效的故障特征。

(3)改進現有的單一智能技術，揭示不同智能技術之間的優勢互補關系，建立有機融合多種智能技術的混合智能框架;開發實用化混合智能診斷與預示系統，為大型復雜關鍵設備的早期、微弱和復合故障的診斷與預示提供技術支持。

5 結論

基于人工智能技術和先進信號處理方法的混合智能故障診斷與預示是一具有廣闊應用前景的研究領域。本文在研究相關文獻的基礎上，總結了混合智能故障診斷與預示技術的國內外研究現狀;指出了目前該研究中存在的物理場信息利用單一、特征提取的不完備、工程實用化混合智能故障診斷系統缺乏等諸多問題。最后討論了混合智能故障診斷技術的發展趨勢，認為:應當注重多物理場信息在混合智能故障診斷與預示中的充分利用;利用現代信號處理方法從不同角度提取多域敏感特征;建立有機融合多種智能技術的實用化混合智能故障診斷與預示系統。

機械故障診斷研究源于工程需求，是一門實用性很強的學科，其研究的最終目的是將有效的診斷技術與方法應用于機械設備故障診斷，把科學技術轉換為生產力。利用混合智能技術對大型復雜關鍵設備的早期、微弱和復合故障進行診斷和預示是一種新思路和新方法，目前紙面上的研究十分活躍，但不幸的是，這種紙上談兵的討論，并沒有在實際應用中充分地發揮作用。迄今為止，走向實用化的混合智能診斷與預示系統為數不多。勿庸置疑的是，將尚未成熟的混合智能故障診斷與預示技術和大型復雜關鍵設備診斷問題結合在一起是十分困難而又十分有意義的探索性工作。混合智能故障診斷與預示技術的研究何去何從，我們將拭目以待。

［1］雷亞國.混合智能技術及其在故障診斷中的應用研究［D］.西安:西安交通大學，2007.

［2］ Wong M L D，Jack L B，Nandi A K.Modified self-organising map for automated novelty detection applied to vibration signal monitoring［J］.Mechanical Systems and Signal Processing，2006，20:593-610.

［3］Lei Y G，He Z J，Zi Y Y.Application of an intelligent fault diagnosis method to rotating machinery［J］.Expert Systems with Applications，2009，36:9941-9948.

［4］ Jardine A K S，Lin D，Banjevic D.A review on machinery diagnostics and prognosticsimplementingcondition-based maintenance ［J］. Mechanical Systems and Signal Processing，2006，20:1483-1510.

［5］Lei Y G，He Z J，Zi Y Y，et al.New clustering algorithm based fault diagnosis using compensation distance evaluation technique［J］.Mechanical Systems and Signal Processing，2008，22:419-435.

［6］Yang W X.Establishment of the mathematical model for diagnosing the engine valve faults by genetic programming［J］.Journal of Sound and Vibration，2006，293:213-226.

［7］ Lei Y G，He Z J，Zi Y Y，et al.A new approach to intelligent fault diagnosis of rotating machinery［J］.Expert Systems with Applications，2008，35:1593-1600.

［8］胡 橋.混合智能診斷技術及應用研究［D］.西安:西安交通大學，2006.

［9］ Lei Y G，He Z J，Zi Y Y.Application of a novel hybrid intelligent method to compound fault diagnosis of locomotive roller bearings［J］.ASME Transactions on Journal of Vibration and Acoustics，2008，130:1-6.

［10］雷亞國，何正嘉，訾艷陽，等.基于特征評估和神經網絡的機械故障診斷模型［J］.西安交通大學學報，2006，40(5):558-562.

［11］ Widodo A，Yang B S.Support vector machine in machine condition monitoring and fault diagnosis［J］.Mechanical Systems and Signal Processing，2007，21:2560-2574.

［12］雷亞國，何正嘉，訾艷陽，等.混合聚類新算法及其在故障診斷中的應用［J］.機械工程學報，2006，42(12):116-121.

［13］ Sanz J，Perera R，Huerta C.Fault diagnosis of rotating machinery based on auto-associative neural networks and wavelet transforms［J］.Journal of Sound and Vibration，2007，302:981-999.

［14］雷亞國，何正嘉，訾艷陽，等.基于混合智能新模型的故障診斷［J］.機械工程學報，2009，44(7):112-117.

［15］ Lei Y G，Zuo M.Gear crack level identification based on weighted K nearest neighbor classification algorithm ［J］.Mechanical Systems and Signal Processing，2009，23:1535-1547.

［16］Bilge Y，Michael W G，Kenneth P M，et al.Development of a hybrid intelligent system for on-line monitoring of nuclear power plant operations ［A］// The 2002 PSAM6(Probabilistic Safety Assessment and Management)Conference［C］，San Juan，Puerto Rico，2002.

［17］ Toygar ?，Acan A.Multiple classifier implementation of a divide-and-conquer approach using appearance-based statisticalmethods for face recognition ［J］. Pattern Recognition Letters，2004，25:1421-1430.

［18］ Hung K Y，Luk R W P，Yeung D S，et al.A multiple classifier approach to detect Chinese character recognition errors［J］.Pattern Recognition，2005，38:723-738.

［19］ Evsukoff A，Gentil S.Recurrent neuro-fuzzy system for fault detection and isolation in nuclear reactors［J］.Advanced Engineering Informatics，2005，19:55-66.

［20］ Guo H，Jack L B，Nandi A K.Feature generation using genetic programming with application to fault classification［J］.IEEE Transactions on Systems，Man，and Cybernetics，2005，35:89-99.

［21］姜愛國，王 雪.輪踏面擦傷的集成粗糙神經網絡預示診斷［J］.清華大學學報，2005，45(2):170-173.

［22］曹龍漢.柴油機智能化故障診斷技術［M］.北京:國防工業出版社，2005.

［23］ Uppal F J，Patton R J，Witczak M.A neuro-fuzzy multiplemodel observer approach to robust fault diagnosis based on the DAMADICS benchmark problem ［J］.Control Engineering Practice，2006，14:699-717.

［24］ Sampath S，Singh R.An integrated fault diagnostics model using genetic algorithm and neural networks［J］.ASME Transactions on Journal of Engineering for Gas Turbines and Power，2006，128:49-56.

［25］ Ye Z，Sadeghian A，Wu B.Mechanical fault diagnostics for induction motor with variable speed drives using Adaptive Neuro-fuzzy Inference System ［J］.Electric Power Systems Research，2006，76:742-752.

［26］ Yang B S，Kim K J.Application of Dempster-Shafer theory in fault diagnosis of induction motors using vibration and current signals［J］.Mechanical Systems and Signal Processing，2006，20:403-420.

［27］ Guo Q J，Yu H B，Xu A D.A hybrid PSO-GD based intelligent method for machine diagnosis［J］.Digital Signal Processing，2006，16:402-418.

［28］李增芳，何 勇，宋海燕.基于主成分分析和集成神經網絡的發動機故障診斷模型研究［J］.農業工程學報，2006，22(4):131-134.

［29］段禮祥，張來斌，王朝暉.柴油機燃燒系統故障的小波包神經網絡模糊診斷法［J］.機械強度，2006，28(1):1-5.

［30］ Tan S C，Lim C P，Rao M V C.A hybrid neural network model for rule generation and its application to process fault detection and diagnosis［J］.Engineering Applications of Artificial Intelligence，2007，20:203-213.

［31］ Lei Y G，He Z J，Zi Y Y，et al.Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs［J］.Mechanical Systems and Signal Processing，2007，21:2280-2294.

［32］ Chen J，Roberts C，Weston P.Fault detection and diagnosis for railway track circuits using neuro-fuzzy systems［J］.Control Engineering Practice，2008，16:585-596.

［33］Dong L，Xiao D，Liang Y，et al.Rough set and fuzzy wavelet neural network integrated with least square weighted fusion algorithm based fault diagnosis［J］.Electric Power Systems Research，2008，78:129-136.

［34］ Rajakarunakaran S，Venkumar P，Devaraj D，et al.Artificial neural network approach for fault detection in rotary system［J］.Applied Soft Computing，2008，8:740-748.

［35］Wu J D，Chiang P H，Chang Y W，et al.An expert system for fault diagnosis in internal combustion engines using probabilityneuralnetwork ［J］. ExpertSystems with Applications，2008，34:2704-2713.

［36］ Yu J，Xi L，Zhou X.Intelligent monitoring and diagnosis of manufacturing processes using an integrated approach of KBANN and GA ［J］.Computer in Industry，2008，59:489-501.

［37］ Lei Y G，He Z J，Zi Y Y，et al.Fault Diagnosis of rotating machinery based on a new hybrid clustering algorithm ［J］.International Journal of Advanced Manufacturing Technology，2008，35:968-977.

［38］ Wu J， HsuC， WuG. Faultgearidentificationand classification using discrete wavelet transform and adaptive neuro-fuzzy inference［J］.Expert Systems with Applications，2009，36:6244-6255.

［39］ Rafiee J，Tse P W，Harifi A，et al.A novel technique for selecting mother wavelet function using an intelligent fault diagnosis system ［J］.Expert Systems with Applications，2009，36:4862-4875.

［40］ Samanta B，Nataraj C.Use of particle swarm optimization for machinery fault detection［J］.Engineering Applications of Artificial Intelligence，2009，22:308-316.

［41］ Geng Z，Zhu Q.Rough set-based heuristic hybrid recognizer and its application in fault diagnosis［J］.Expert Systems with Applications，2009，36:2711-2718.

［42］Y ksel T，Sezgin A.Two fault detection and isolation schemes for robot manipulators using soft computing techniques［J］.Applied Soft Computing，2010，10:125-134.

［43］ Wang X Y，Li X X，Li F S.Analysis on oscillation in electro-hydraulic regulating system of steam turbine and fault diagnosis based on PSOBP ［J］.Expert Systems with Applications，2010，37:3887-3892.

［44］ Lei Y G，Zuo M，He Z J，et al.A multidimensional hybrid intelligent method for gear fault diagnosis［J］.Expert Systems with Applications，2010，37:1419-1430.

［45］楊 軍.裝備智能故障診斷技術［M］.北京:國防工業出版社，2004.

［46］ Li R Q，Chen J，Wu X，et al.Fault diagnosis of rotating machinery based on SVD， FMC and RST ［J］. The International Journal of Advanced Manufacturing Technology，2005，27:128-135.

［47］ Hu Q，He Z J，Zhang Z S，et al.Intelligent fault diagnosis in power plant using empirical mode decomposition，fuzzy feature extraction and support vector machines［J］.Key Engineering Materials，2005，293-294:373-382.

［48］鄂加強.智能故障診斷及其應用［M］.長沙:湖南大學出版社，2006.

［49］ Pawar P M，Ganguli R.Genetic fuzzy system for online structural health monitoring of composite helicopter rotor blades［J］.Mechanical Systems and Signal Processing，2007，21:2212-2236.

［50］ Mao Y，Xia Z，Yin Z，et al.Fault diagnosis based on fuzzy support vector machine with parameter tuning and feature selection ［J］.Chinese Journal of Chemical Engineering，2007，15:233-239.

［51］ Xia F，Zhang H，Peng D G，et al.Turbine fault diagnosis based on fuzzy theoryand SVM ［A］//International Conferenceon ArtificialIntelligence and Computational Intelligence［C］，Shanghai，China，2009.

［52］ Mohammad K J，Langari R.A hybrid intelligent system for fault detection and sensor fusion ［J］. Applied Soft Computing，2009，9:415-422.

［53］ Han X M.Crank bearing wear fault diagnosis of emulsion pump based on fuzzy support vector machine［A］.2nd InternationalConference on Information and Computing Science［C］，Manchester，England，2009.

［54］ Pan Y N，Chen J，Dong G M.A hybrid model for bearing performance degradation assessment based on support vector data description and fuzzy c-means［J］. Journalof Mechanical Engineering Science，2009，223:2687-2695.

［55］ Thukaram D，Khincha H P，Vijaynarasimha H P.Artificial neural network and support vector machine approach for locating faults in radial distribution systems［J］.IEEE Transactions on Power Delivery，2005，20:710-721.

［56］胡 橋，何正嘉，張周鎖，等.基于提升小波包變換和集成支持矢量機的早期故障智能診斷［J］.機械工程學報，2006，42(8):16-22.

［57］ Aydin I，Karakose M，Akin E.A multi-objective artificial immune algorithm for parameter optimization in support vector machine［J］.Applied Soft Computing，2009，in press.

［58］ Fei S W，Zhang X B.Fault diagnosis of power transformer based on support vector machine with genetic algorithm［J］.Expert Systems with Applications，2009，36:11352-11357.

［59］ Hou S，Li Y.Short-term fault prediction based on support vector machines with parameter optimization by evolution strategy［J］.Expert Systems with Applications，2009，36:12383-12391.

［60］ Zhang X L，Chen X F，He Z J.Fault diagnosis based on support vector machines with parameter optimization by an ant colony algorithm ［J］.Journal of Mechanical Engineering Science，2009，224:217-229.

［61］ Saravanan N，Siddabattuni V N S，Ramachandran K N.Fault diagnosis of spur bevel gear box using artificial neural network(ANN)，and proximal support vector machine(PSVM)［J］.Applied Soft Computing，2010，10:344-360.

［62］ Wu Q.Car assembly line fault diagnosis based on robust waveletSVC and PSO ［J］. ExpertSystems with Applications，2010，37:5423-5429.

［63］ Zanardelli W G，Strangas E G，Khalil H K，et al.Waveletbased methods for the prognosis of mechanical and electrical failures in electric motors［J］.Mechanical Systems and Signal Processing，2005，19:411-426.

［64］王仲生.智能故障診斷與容錯控制［M］.西安:西北工業大學出版社，2005.

［65］ Marinakis Y，Dounias G，Jantzen J.Pap smear diagnosis using a hybrid intelligentscheme focusing on genetic algorithm based feature selection and nearestneighbor classification ［J］.Computers in Biology and Medicine，2009，39:69-78.

［66］ Polat K，Gunes S.A novel hybrid intelligent method based on C4.5 decision tree classifier and one-against-all approach for multi-class classification problems［J］.Expert Systems with Application，2009，36:1587-1592.

［67］ Lei Y G，He Z J，Zi Y Y.A combination of WKNN to fault diagnosis of rolling element bearings ［J］. ASME Transactions on Journal of Vibration and Acoustics，2009，131:1-6.

［68］ Hou Z，Zhang Z.Hybrid intelligent fault diagnosis based on granular computing［C］.2009 IEEE International Conference on Granular Computing，219-224，Nanchang，China.